(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111117868.6 (22)申请日 2021.09.23 (71)申请人 江苏省特种设备安全监 督检验研究 院 地址 210003 江苏省南京市 鼓楼区草场门 大街107号龙江大厦 (72)发明人 张永春　谢一麟　邵东亮　孙涛　 巢丽清　周俊　 (74)专利代理 机构 无锡知初知识产权代理事务 所(普通合伙) 32418 代理人 高春涛 (51)Int.Cl. G06F 30/27(2020.01) G06N 20/20(2019.01) G06F 119/14(2020.01)G06F 119/08(2020.01) (54)发明名称 一种基于集成学习的工业锅炉运行优化方 法 (57)摘要 本发明公开了一种基于集成学习的工业锅 炉运行优化方法， 属于工业锅炉控制技术领域， 包括如下步骤： 步骤1： 获取锅炉历史运行数据； 步骤2： 对锅炉历史运行数据进行预处理， 去除无 效数据记录； 步骤3： 根据预处理后的锅炉运行数 据， 基于Stacking集成学习算法建立以锅炉 操作 参数和锅炉负荷参数为输入， 以NOx排放浓度和 热效率为输 出的集成燃烧模型； 步骤4： 确定锅炉 的工况参数， 使用权重衰减的粒子群算法和建立 好的集成燃烧模型， 对锅炉的操作参数进行寻 优； 步骤5： 输出步骤4中得到的最优锅炉操作向 量。 本发明能灵活适应锅炉燃烧工况变化， 具有 更高的模型精度和稳定性， 使锅炉高效节能环保 运行。 权利要求书2页 说明书6页 附图1页 CN 113887130 A 2022.01.04 CN 113887130 A 1.一种基于集成学习的工业锅炉运行优化方法， 其特 征在于， 包括以下步骤： 步骤1： 获取锅炉历史运行数据， 包括状态参数、 操作参数、 工况参数和输出参数， 所述 工况参数包括锅炉负荷参数和燃煤煤质参数， 所述输出参数包括NOx排放浓度和锅炉的燃 烧热效率； 步骤2： 对锅炉历史运行 数据进行 预处理， 去除无效数据记录； 步骤3： 根据预处理后的锅炉 运行数据， 基于Stacking集成学习算法建立以锅炉操作 参 数和锅炉负荷参数为输入， 以NOx排 放浓度和热效率 为输出的集成燃烧 模型； 步骤4： 确定锅炉的工况参数， 使用权重衰减的粒子群算法和建立好的集成燃烧模型， 对锅炉的操作参数进行寻优； 步骤5： 输出步骤4中得到的最优锅炉操作向量。 2.根据权利要求1所述的基于集成学习的工业锅炉运行优化方法， 其特征在于， 所述状 态参数包括烟气温度、 上水温度、 上水压力、 水流量、 蒸汽压力、 蒸汽温度和蒸汽量， 所述操 作参数包括 一次风量、 二次风 量、 燃尽风门开度和给煤量。 3.根据权利要求1所述的基于集成学习的工业锅炉运行优化方法， 其特征在于， 所述步 骤2包括以下步骤： 步骤2.1： 删除锅炉历史运行中包 含缺失数据的数据记录； 步骤2.2： 使用四分位极差法检测并清除异常数据记录； 步骤2.3： 删除锅炉历史运行 数据中的重复数据记录 。 4.根据权利要求3所述的基于集成学习的工业锅炉运行优化方法， 其特征在于， 所述步 骤2.2中四分位极差计算方法为： IQR＝Q1‑Q3 其中Q1是数据列的上四分位数， Q3是数据列的下四分位数， IQR是数据列的四分位极差， 当数据列中的某个值小于Q3‑1.5×IQR或者大于Q1+1.5×IQR时认为是异常值。 5.根据权利要求1所述的基于集成学习的工业锅炉运行优化方法， 其特征在于， 步骤3 包括以下步骤： 步骤3.1： 基于运行数据使用线性回归算法训练得到模型M1， 并使用模型M1在运行数据 的基础上获得NOx排 放浓度和热效率的预测值y1； 步骤3.2： 基于运行数据使用支持向量回归算法训练得到模型M2， 支持向量回归模型使 用RBF(径向基函数)核进行非线性映射， 并使用模型M2在运行数据的基础上获得NOx排放浓 度和热效率的预测值y2； 步骤3.3： 基于运行数据使用神经网络算法训练得到模型M3， 并使用模型M3在运行数据 的基础上获得NOx排 放浓度和热效率的预测值y3； 步骤3.4： 基于运行数据使用XGBoost算法训练得到模型M4， XGBoost模型设置为最大树 深15， 并使用模型M4在运行数据的基础上获得NOx排 放浓度和热效率的预测值y4； 步骤3.5： 使用线性回归算法作为元学习器， 以{y1， y2， y3， y4}为输入， 锅炉的热效率和 NOx排放浓度为输出， 训练得到最终的集成燃烧 模型。 6.根据权利要求5所述的基于集成学习的工业锅炉运行优化方法， 其特征在于， 所述步 骤3.3中模型M3包括输入层、 隐含层L1、 隐含层L2和输出层； 所述输入层输入步骤2中预处 理后数据中的锅炉操作参数和锅炉负荷参数；权　利　要　求　书 1/2 页 2 CN 113887130 A 2所述隐含层L1包 含多个神经 元； 所述隐含层L2包 含多个神经 元； 所述输出层包 含锅炉热效率和NOx排 放浓度两个输出神经 元。 7.根据权利要求1所述的基于集成学习的工业锅炉运行优化方法， 其特征在于， 步骤4 包括以下步骤： 步骤4.1： 确定粒子群的适应度函数； 步骤4.2： 初始化N个种群， 确定迭代次数P， 为种群中的每个粒子初始化一个位置向量 {x1， x2，…， xn}和一个速度向量{v1， v2，…， vn}， 所述位置向量为种群中粒子代表的一组锅炉 操作参数， 所述速度向量 为寻优过程中操作参数优化的方向； 步骤4.3： 每一轮迭代中， 针对每一个粒子， 更新速度向量vnew： 步骤4.4： 根据更新完的速度向量vnew， 更新粒子的位置向量xnew为x+vnew； 步骤4.5： 将更新后的锅炉操作参数向量xnew输入集成燃烧模型， 并对集成燃烧模型的 输出通过步骤4.1 中的适应度函数进 行评估， 如果结果优于本粒子最优锅炉操作向量， 则更 新本粒子最优锅炉操作向量， 如果过结果优于全局 最优锅炉操作向量， 则更新全局 最优锅 炉操作向量； 步骤4.6： 重复步骤4.3 ‑步骤4.5， 直到达到最大迭代轮次P， 得到全局最优锅炉操作向 量g。 8.根据权利要求7所述的基于集成学习的工业锅炉运行优化方法， 其特征在于， 所述步 骤4.1中确定粒子群的适应度函数如下式： f＝α×η‑β×CNOx 其中η是燃烧模型输出的热效率， CNOx是燃烧模型输出的NOx排放浓度， α和β 分别是两者 的优化权 重， 两权重的和为1。 9.根据权利要求7所述的基于集成学习的工业锅炉运行优化方法， 其特征在于， 所述步 骤4.3中每一轮迭代中， 针对每一个粒子， 依下式更新速度向量vnew： vnew＝w*v+C1*r1*(g‑x)+c2*r2*(d‑x) 其中g为迭代过程中的全局最优锅炉操作参数向量， x是粒子的位置向量， d为迭代过程 中本粒子最优锅炉操作参数向量， c1、 c2分别为全局和局部收敛比重， r1、 r2为0到1之间的随 机数， v为上一轮迭代中本粒子的速度向量， w为速度向量的更新速率， w采用微分衰减的形 式： 其中为wmax最大权重值， wmin为最小权重值， p为 最大迭代次数， t为当前迭代轮次。权　利　要　求　书 2/2 页 3 CN 113887130 A 3